Algoritmi di prezzo e potenziale di collusione: una preoccupazione futura per i regolatori

L'uso di algoritmi di prezzo è diventato sempre più diffuso nelle attività commerciali, sia online che offline. Questi algoritmi consentono alle aziende di raccogliere ed elaborare rapidamente grandi quantità di dati, permettendo loro di adattare i prezzi in base a quelli dei concorrenti, ai livelli di inventario e alla domanda dei clienti. Sebbene la determinazione algoritmica dei prezzi offra numerosi vantaggi, sono state sollevate preoccupazioni riguardo al potenziale comportamento anticoncorrenziale e alla collusione algoritmica.

Panoramica degli algoritmi di prezzo

Gli algoritmi di prezzo utilizzano dati passati per apprendere e determinare il prezzo ottimale per prodotti o servizi. Le fonti di dati includono comunemente la demografia dei clienti, le variabili comportamentali e l'attività online, che possono essere ottenute attraverso vari mezzi come cookie, web scraper e analisi dello sguardo. Possono essere impiegati diversi metodi, come algoritmi basati sulla regressione (ad esempio LASSO e Logit) e tecniche avanzate di machine learning come RandomForest, XG Boost, Gradient Boosting e Q-Learning, per stimare la disponibilità a pagare dei clienti e ottimizzare le strategie di prezzo.

Limitazioni degli algoritmi di prezzo

Nonostante le loro promesse, gli algoritmi di prezzo presentano diverse limitazioni. I dati raccolti attraverso vari metodi richiedono pulizia e pre-elaborazione, operazioni che possono essere costose e richiedere molto tempo. Gli algoritmi di reinforcement learning, sebbene richiedano dati di addestramento minimi, dipendono dalla messa a punto degli iperparametri per ottenere prestazioni ottimali. Inoltre, gli algoritmi di prezzo spesso trascurano fattori economici come la stagionalità, la differenziazione dei prodotti e il valore del marketing e della pubblicità. Integrare questi fattori negli algoritmi è complesso e non banale. Inoltre, algoritmi più semplici basati su metodi economici tradizionali e sull'esperienza umana sono sufficienti per le decisioni di prezzo della maggior parte delle aziende. La mancanza di spiegabilità negli algoritmi complessi di deep learning potrebbe inoltre ostacolare il loro deploy, soprattutto alla luce della crescente richiesta di trasparenza da parte delle autorità di regolamentazione.

Collusione algoritmica

La collusione algoritmica si riferisce al potenziale degli algoritmi di prezzo di consentire alle imprese di colludere e fissare prezzi sovracompetitivi. La capacità degli algoritmi di monitorare il mercato e reagire ai cambiamenti ha sollevato preoccupazioni riguardo alla facilitazione della collusione. Studi sperimentali hanno dimostrato che gli algoritmi Q-Learning possono imparare autonomamente come colludere e punire le deviazioni dagli esiti collusivi abbassando temporaneamente i prezzi. Tuttavia, altri ricercatori sostengono che la fissazione di prezzi sovracompetitivi osservata possa derivare da un'ottimizzazione subottimale piuttosto che da una sofisticata strategia collusiva. L'uso di algoritmi di prezzo può anche portare a prezzi sovracompetitivi quando le imprese scelgono istruzioni per la determinazione dei prezzi invece di prezzi effettivi, alterando la natura della concorrenza.

L'attuale focus della ricerca economica sugli algoritmi Q-Learning rivela problemi di scalabilità all'aumentare del numero di imprese. La convergenza e l'ottimalità di questi algoritmi non sono garantite, ponendo sfide alla loro implementazione pratica. Gli algoritmi Deep Q-Learning offrono potenziali soluzioni, ma la determinazione degli iperparametri ottimali rimane difficile e mancano baseline standard. Inoltre, l'integrazione di fattori economici rilevanti in questi algoritmi rimane complessa.

Risposta normativa

Sebbene i progressi tecnologici e le realtà economiche rendano attualmente improbabile la collusione algoritmica nel breve termine, i regolatori devono rimanere vigili e preparati per il futuro. Le richieste di riforme antitrust che affrontino esplicitamente la collusione algoritmica hanno incontrato dibattiti tra esperti legali. La proibizione totale delle pratiche di determinazione algoritmica dei prezzi potrebbe minare le efficienze generate per i consumatori. È invece necessario un dialogo costruttivo tra regolatori e imprese, che consenta alle aziende di sviluppare e sperimentare algoritmi di prezzo in un ambiente controllato. Questo approccio permetterebbe alle imprese di esplorare il potenziale della determinazione algoritmica dei prezzi, consentendo ai regolatori di intervenire se necessario. Come proposto nell'AI Act dell'UE, l'istituzione di sandbox regolatorie o meccanismi di monitoraggio nel mondo reale potrebbe rappresentare un punto di partenza per l'applicazione delle norme antitrust e le riforme necessarie nella determinazione algoritmica dei prezzi.

Sebbene esista la possibilità teorica di collusione algoritmica, le attuali limitazioni tecnologiche e le realtà economiche rendono improbabile che ciò accada nella pratica. Gli algoritmi di prezzo hanno mostrato grande promessa, ma presentano anche limitazioni intrinseche che devono essere considerate. Man mano che i regolatori procedono, è cruciale un approccio equilibrato che consenta l'innovazione e i guadagni di efficienza, fornendo al contempo la necessaria supervisione attraverso un dialogo collaborativo e riforme mirate. La determinazione algoritmica dei prezzi detiene un potenziale significativo sia per le imprese che per i consumatori e, con un'attenta attenzione, i suoi benefici possono essere sfruttati mitigando i potenziali rischi anticoncorrenziali.